1 绪论 1
1.1 研究意义 1
1.1.1 采用区域智能交通控制的意义 1
1.1.2 研制区域智能交通控制系统的意义 2
1.2 国内外研究现状 3
1.2.1 动态模型的研究现状 3
1.2.2 区域智能交通控制研究现状 11
1.3 未来区域交通控制的研究展望 20
2 基于粗糙集的区域交通控制交通量属性约简 21
2.1 引言 21
2.2 粗糙集的基本概念 22
2.2.1 知识表达系统 22
2.2.2 属性的核和约简 22
2.3 粗糙集混沌遗传属性约简算法 23
2.4 区域交通控制交通量属性约简 25
2.4.1 区域实时交通控制方法 25
2.4.2 区域交通控制交通量属性约简 26
3 基于流形学习算法的区域交通控制交通量属性约简 31
3.1 流形及流形学习 31
3.1.1 流形及相关的一些数学概念 31
3.1.2 流形学习 33
3.1.3 流形学习的产生、发展及应用 33
3.2 流形学习算法 35
3.2.1 多维尺度变换（MDS）原理 35
3.2.2 等距映射（Isomap）原理及特点 36
3.2.3 局部线性嵌入（LLE）原理及特点 38
3.2.4 拉普拉斯特征映射原理及特点 40
3.2.5 局部切空间排列法（LTSA）原理及特点 41
3.2.6 各种流形学习算法的异同点 42
3.3 利用流形学习算法的区域交通控制维数约简 42
3.3.1 方案选择式区域交通控制的维数研究 43
3.3.2 利用流形学习算法的维数约简算法的研究 44
3.3.3 降维的实现 44
4 结合Isomap算法与K-均值聚类算法的交通时段划分研究 47
4.1 K-均值聚类算法 48
4.2 研究方法 48
4.3 Isomap交通时段划分聚类实验 49
4.3.1 样本数据 49
4.3.2 降维 49
4.3.3 聚类 50
4.3.4 划分时段 51
4.3.5 对实验结果的评价 52
5 交通量的混沌预测 53
5.1 引言 53
5.2 城市交通流的混沌特性 54
5.3 基于混沌时间序列的交通量实时预测 54
5.3.1 改进的加权一阶局域法 55
5.3.2 基于最大Lyapunov指数的改进预测方法 56
5.3.3 多层混沌神经网络预测模型（MLCNN） 57
5.4 交通量混沌预测 61
5.4.1 预测计算 61
5.4.2 预测结果分析 64
5.5 实验结论 66
6 城市平面交叉路口混沌神经网络控制 67
6.1 Hopfield网络及分析 67
6.2 多层反馈混沌神经网络模型（MLFCNN） 68
6.3 能量函数 70
6.3.1 车辆延误的计算 70
6.3.2 饱和流量 71
6.3.3 能量函数 71
6.4 基于MLFCNN的城市单路口智能控制 71
6.5 应用研究 72
6.5.1 应用对象的说明 72
6.5.2 应用计算 74
6.5.3 结果分析 75
6.6 MLFCNN稳定性探讨 76
6.7 现场测试 76
6.8 实验结论 77
7 城市交通信号的在线强化学习控制 79
7.1 强化学习的基本原理 79
7.2 基于Dyna-Q学习的交通信号在线控制算法 82
7.2.1 算法设计 82
7.2.2 仿真研究 83
8 区域交通控制动态模型与智能算法 86
8.1 基本知识 86
8.1.1 区域交通控制系统的分类 86
8.1.2 城市区域交通自适应控制系统 87
8.2 动态优化模型 89
8.3 动态优化算法 90
8.3.1 混沌遗传算法 90
8.3.2 混沌粒子群优化算法 95
8.3.3 模拟退火粒子群算法 100
8.3.4 灾变粒子群算法 105
8.4 区域交通控制信号配时优化 108
8.4.1 周期和相位差优化 108
8.4.2 区域交通控制配时优化步骤 108
8.4.3 仿真计算 108
8.5 仿真实验结论 114
9 结论与展望 115
9.1 研究内容 115
9.1.1 交通量的属性约简模型与算法 115
9.1.2 交通时段划分 115
9.1.3 交通量的混沌预测 116
9.1.4 单路口混沌神经网络控制 116
9.1.5 交通信号的在线强化学习控制 116
9.1.6 区域交通控制动态模型与智能算法 116
9.2 展望 117